stationnement-réseau-neuronnes-simple

On pourrait croire que stationner son véhicule exige d’avoir une grande dextérité, et que les neurones de notre cerveau soient très actifs. Mais cela ne semble pas être le cas. Les informaticiens de la TU Wien (Vienne) améliorent l’intelligence artificielle en s’inspirant de la biologie. Cette  nouvelle approche donne des résultats étonnants avec un effort étonnamment réduit.

12 neurones pour garer une voiture

Un cerveau naturellement développé ne fonctionne pas comme un programme informatique ordinaire. Il n’utilise pas de code composé d’instructions logiques claires, c’est un réseau de cellules qui communiquent entre elles. La simulation de tels réseaux sur un ordinateur peut aider à résoudre des problèmes difficiles à décomposer en opérations logiques.

À la TU Wien (à Vienne), en collaboration avec des chercheurs du Massachusetts Institute of Technology (MIT), une nouvelle approche de programmation de tels réseaux de neurones a été développée, qui modélise l’évolution du temps des signaux nerveux de manière complètement différente. Il a été inspiré par une créature particulièrement simple et très recherchée, le ver rond C. elegans.

Les circuits neuronaux de son système nerveux ont été simulés par ordinateur, puis ce modèle a été adapté à l’aide d’algorithmes d’apprentissage automatique. De cette manière, il était possible de résoudre des tâches complexes avec un nombre extrêmement faible de cellules nerveuses simulées – par exemple, stationner une voiture. Bien que le réseau inspiré du ver ne soit constitué que de 12 neurones, il peut être formé pour diriger un robot à un endroit donné.

Ramin Hasani de l’Institut d’ingénierie informatique de la TU Wien a présenté son travail lors de la conférence TEDx à Vienne le 20 octobre. On peut montrer que ces nouveaux réseaux de neurones sont extrêmement polyvalents. Un autre avantage est que leur dynamique interne peut être comprise – contrairement aux réseaux de neurones artificiels standard, qui sont souvent considérés comme une « boîte noire » efficace mais impénétrable.

Les signaux dans des réseaux en branches

« Les réseaux de neurones doivent être formés », déclare Ramin Hasani. « Vous fournissez une entrée spécifique et ajustez les connexions entre les neurones afin que la sortie souhaitée soit produite. » L’entrée, par exemple, peut être une photo et la sortie peut être le nom de la personne dans l’image. « Le temps ne joue généralement pas un rôle important dans ce processus », déclare Radu Grosu de l’Institute of Computer Engineering de la TU Wien. Pour la plupart des réseaux de neurones, toutes les entrées sont produites en même temps, ce qui entraîne immédiatement une certaine sortie. Mais dans la nature, les choses sont très différentes.

La reconnaissance vocale, par exemple, dépend toujours du temps, tout comme les conversions simultanées ou les séquences de mouvements réagissant à un environnement en mutation. « De telles tâches peuvent être mieux gérées en utilisant ce que nous appelons un RNN, ou réseaux de neurones récurrents », explique Ramin Hasani. « Il s’agit d’une architecture capable de capturer des séquences, car elle permet aux neurones de se souvenir de ce qui s’est passé auparavant. »

Hasani et ses collègues proposent une nouvelle architecture de RNN basée sur un modèle biophysique de neurones et de synapses permettant une dynamique variant dans le temps. « Dans un modèle de RNN standard, il existe un lien constant entre le neurone un et le neurone deux, définissant la force avec laquelle l’activité du neurone un influence l’activité du neurone deux », explique Ramin Hasani. « Dans notre nouvelle architecture de RNN, ce lien est une fonction non linéaire du temps. »

Le cerveau d’un ver qui peut garer une voiture

Permettre aux activités des cellules et aux liens entre les cellules de varier dans le temps ouvre de nouvelles possibilités. Ramin Hasani, Mathias Lechner et leurs collègues ont montré théoriquement que leur architecture peut, en principe, approximer des dynamiques arbitraires. Pour démontrer la polyvalence de cette nouvelle approche, ils ont développé et formé un petit réseau de neurones: « Nous avons redéfini un circuit neural à partir du système nerveux du nématode C. elegans.

Il était responsable de la génération d’un comportement réflexif simple, a déclaré Mathias Lechner, qui travaille maintenant à l’Institut de Science et Technologie (IST) d’Autriche. « Ce réseau de neurones a été simulé et formé pour contrôler des applications réelles. »

Une efficacité étonnante

Son succès est remarquable: le petit réseau simple comprenant seulement 12 neurones pouvait (après un entraînement approprié) résoudre des tâches complexes. Par exemple, il a été formé pour manœuvrer un véhicule dans un espace de stationnement le long d’un chemin prédéfini. « La sortie du réseau qui dans la nature contrôlerait le mouvement des vers nématodes, est utilisée dans notre cas pour diriger et accélérer un véhicule », explique Hasani. « Nous avons démontré théoriquement et expérimentalement que nos nouveaux réseaux de neurones pouvaient résoudre des tâches complexes dans des environnements physiques réels et simulés. »

Cette nouvelle approche présente un autre avantage important: elle permet de mieux comprendre le fonctionnement interne du réseau de neurones. Les précédents réseaux de neurones, qui consistaient souvent en plusieurs milliers de nœuds, étaient si complexes que seuls les résultats finaux pouvaient être analysés. Obtenir une compréhension plus profonde de ce qui se passe à l’intérieur était à peine possible.

Une IA dotée d’une structure plus naturelle peut être très efficace

Ce réseau plus petit mais extrêmement puissant de l’équipe de Vienne est plus facile à analyser. Les scientifiques peuvent donc au moins comprendre en partie quelles cellules nerveuses sont à l’origine de certains effets. « C’est un avantage considérable qui nous encourage à approfondir la recherche sur leurs propriétés », déclare Hasani. Bien sûr, cela ne signifie pas que les voitures seront éventuellement garées par des vers artificiels, mais cela démontre que l’intelligence artificielle dotée d’une architecture plus cérébrale peut être beaucoup plus puissante que ce que l’on pensait auparavant.

Source : Vienna University of Technology